UNIVERSIDAD MAYOR DE SAN ANDRES

FACULTAD DE CIENCIAS ECONÓMICAS Y FINANCIERAS

CARRERA DE ADMINISTRACIÓN DE EMPRESAS

PRÁCTICA: REGRESIÓN MULTILINEAL

DOCENTE: LIC. RAUL COCHE

MATERIA: LOGÍSTICA
UNIVERSITARIOS: MAYTA QUISPE ISRAEL BRAYAN

LA PAZ – BOLIVIA
 Práctica

(Regresión Multilineal)

1. Con ayuda de Excel hallar la ecuación de regresión multilineal, el coeficiente de correlación

múltiple (𝑟), el coeficiente de determinación (𝑟 2 ), el coeficiente de determinación ajustado
(𝑟 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜) y además la gráfica para los siguientes conjuntos de datos:
a)

𝒚 𝒙𝟏 𝒙𝟐
1 1 1
2 2 2
3 3 3
4 4 4
5 5 5
b)

𝒚 𝒙𝟏 𝒙𝟐
1 1 1
2 2 2
3 3 3
4 4 4
5 5 5
6 6 6
7 7 7
8 8 8
9 9 9
10 10 10
11 11 11
12 12 12
13 13 13
14 14 14

2. Analice los dos incisos del ejercicio anterior y responda las siguientes preguntas:
a) ¿Por qué el coeficiente de correlación (𝑟) es 1 en ambos casos?
b) ¿Por qué el coeficiente de determinación (𝑟 2 ) es 1 en ambos casos?
c) ¿Cuál es la razón por la que el coeficiente de determinación ajustado (𝑟 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜) es
diferente en ambos casos?
3. Con ayuda de Excel hallar la ecuación de regresión multilineal, el coeficiente de correlación
múltiple (𝑟), el coeficiente de determinación (𝑟 2 ) y el coeficiente de determinación
ajustado (𝑟 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜) para los siguientes conjuntos de datos:
a)

𝒚 𝒙𝟏 𝒙𝟐 𝒙𝟑
1 2 2 1
1 1 3 2
2 2 3 5
4 5 7 6
7 8 8 13
9 11 11 17
12 17 20 25
15 28 33 45
 b)

𝒚 𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
2 23 33 12 1
2 32 35 15 1
3 44 37 16 1
4 12 41 22 8
5 15 44 15 12
5 22 45 25 15
5 43 44 33 13
6 25 49 25 12
7 19 50 12 16
8 22 56 17 17

4. Ejemplo tomado de: Estadística para la Administración y la Economía (Richard Levin)

El Servicio Interno de Contribuciones (IRS) de EE.UU. está tratando de estimar la cantidad

mensual de impuestos no pagados descubiertos por su departamento de auditorías. En el
pasado, el IRS estimaba esta cantidad con base en el número esperado de horas de trabajo
de auditorías de campo. En los últimos años, sin embargo, las horas de trabajo de auditorías
de campo se han convertido en un pronosticador errático de los impuestos no pagados
reales. Como resultado, la dependencia está buscando otro factor para mejorar la ecuación
de estimación.

El departamento de auditorías tiene un registro del número de horas que usa sus
computadoras para detectar impuestos no pagados. ¿Podríamos combinar esta información
con los datos referentes a las horas de trabajo de auditorías de campo y obtener una
ecuación de estimación más precisa para los impuestos no pagados descubiertos por cada
mes?

Horas de trabajo de Horas en Impuestos reales no

Mes auditoría de campo Computadora (dos pagados descubiertos
(dos ceros omitidos) ceros omitidos) (Millones de $)
Enero 45 16 29
Febrero 42 14 24
Marzo 44 15 27
Abril 45 13 25
Mayo 43 13 26
Junio 46 14 28
Julio 44 16 30
Agosto 45 16 28
Septiembre 44 15 28
Octubre 43 15 27

5. Ejemplo tomado de: Estadística en los Negocios (Ken Black)

En Shipbuilders Council of America en Washintong, D.C., publica sobre los datos de astilleros
privados. Entre las variables reportadas tenemos las cifras de empleo (en miles), el número
de embarcaciones en construcción y el número de reparaciones o conversiones hechas a
barcos comerciales (en millones de dólares). A continuación, se muestran datos para estas
tres variables durante un periodo de 7 años. Use estos datos para crear un modelo de
regresión multilineal para pronosticar el empleo de astilleros privados a partir del número
de embarcaciones en construcción, reparaciones o conversiones de barcos comerciales.
Comente respecto al modelo de regresión y sus puntos fuerte s y débiles.

Empleo Embarcaciones en Reparaciones o

(En miles) construcción Conversiones
133,4 108 431
177,3 99 1335
143 105 1419
142 111 1631
130,3 100 852
120,6 85 847
120,4 79 806
 Práctica

(Regresión Multilineal)

Ejercicio 1 a) y = ax+b Multilineal

6
y=x
Resumen R² = 1
5
1 1 1
4
2 2 2 Estadísticas de la regresión
3 3 3 Coeficiente de correlación múltiple 1 3

4 4 4 Coeficiente de determinación R^2 1 2

5 5 5 R^2 ajustado 0,666666667
1
Error típico 2,93737E-16
Observaciones 5 0
0 1 2 3 4 5 6

Coeficiente de correlación múltiple 1 ANÁLISIS DE VARIANZA

Coeficiente de determinación R^2 1 Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
R^2 ajustado 0,66667 Regresión 2 10 5 1,15899E+32 8,62817E-33
Ecuación multilineal y=x Residuos 3 2,58845E-31 8,62817E-32
Total 5 10

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%
Intercepción 4,44089E-16 3,08074E-16 1,44149994 0,245104946 -5,36341E-16 1,42452E-15 -5,36341E-16 1,42452E-15
Variable X 1 0 0 65535 #¡NUM! 0 0 0 0
Variable X 2 1 9,28879E-17 1,07657E+16 #¡NUM! 1 1 1 1
Ejercicio 1 b)
y=x
Resumen Multilineal R² = 1
1 1 1 16
2 2 2 Estadísticas de la regresión 14
3 3 3 Coeficiente de correlación múltiple 1 12
10
4 4 4 Coeficiente de determinación R^2 1
8
5 5 5 R^2 ajustado 0,916666667 6
6 6 6 Error típico 0 4
7 7 7 Observaciones 14 2
0
8 8 8 0 2 4 6 8 10 12 14 16
9 9 9 ANÁLISIS DE VARIANZA
10 10 10 Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
11 11 11 Regresión 2 227,5 113,75 #¡NUM! #¡NUM!
12 12 12 Residuos 12 0 0
13 13 13 Total 14 227,5
14 14 14
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Coeficiente de correlación múltiple 1 Intercepción 0 0 65535 #¡NUM! 0 0 0 0
Coeficiente de determinación R^2 1 Variable X 1 0 0 65535 #¡NUM! 0 0 0 0
R^2 ajustado 1 Variable X 2 1 0 65535 #¡NUM! 1 1 1 1
Ecuación multilineal y=x

Ejercicio 2
Analice los dos incisos del ejercicio anterior y responda las siguientes preguntas:
a) ¿Por que el coeficiente de correlación es 1 en ambos casos?
Porque la intensidad de la relación lineal entre "x1" y "x2" es perfecta.
b) ¿Por que el coeficiente de determinación es 1 en ambos casos?
Porque en ambos incisos se muestra una correlación positiva perfecta, además, los datos de las variables de ambos incisos son iguales en ambos ejes.
c) ¿Cual es la razón por la que el coeficiente de determinación ajustado es diferente en ambos casos?
Porque el coeficiente de determinación ajustado muestra una representación más exacta del ajuste del coeficiente de determinación.
Ejercicio 3 a)

Resumen
1 2 2 1
1 1 3 2 Estadísticas de la regresión
2 2 3 5 Coeficiente de correlación múltiple 0,98028393
4 5 7 6 Coeficiente de determinación R^2 0,960956584
7 8 8 13 R^2 ajustado 0,931674022
9 11 11 17 Error típico 1,382717353
12 17 20 25 Observaciones 8
15 28 33 45
ANÁLISIS DE VARIANZA
Coeficiente de correlación múltiple 0,98028 Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Coeficiente de determinación R^2 0,96096 Regresión 3 188,2273709 62,74245696 32,816684 0,002820753
R^2 ajustado 0,93167 Residuos 4 7,647629109 1,911907277
Ecuación multilineal y = 1,41 x1 - 0,64 x2 - 0,09 x3 + 1,46 Total 7 195,875

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción 1,460076286 0,748233082 1,951365584 0,122764619 -0,617351793 3,537504364 -0,617351793 3,537504364
Variable X 1 1,414661654 0,725846158 1,948982769 0,123100838 -0,600610357 3,429933665 -0,600610357 3,429933665
Variable X 2 -0,638049503 0,437745286 -1,457581665 0,218693861 -1,853425261 0,577326254 -1,853425261 0,577326254
Variable X 3 -0,086449701 0,357979772 -0,241493256 0,821047457 -1,080360888 0,907461486 -1,080360888 0,907461486
Ejercicio 3 b)

Resumen
2 23 33 12 1
2 32 35 15 1 Estadísticas de la regresión
3 44 37 16 1 Coeficiente de correlación múltiple 0,995623835
4 12 41 22 8 Coeficiente de determinación R^2 0,991266821
5 15 44 15 12 R^2 ajustado 0,984280279
5 22 45 25 15 Error típico 0,251104657
5 43 44 33 13 Observaciones 10
6 25 49 25 12
7 19 50 12 16 ANÁLISIS DE VARIANZA
8 22 56 17 17 Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 4 35,78473226 8,946183064 141,8823086 2,47903E-05
Coeficiente de correlación múltiple 0,99562 Residuos 5 0,315267744 0,063053549
Coeficiente de determinación R^2 0,99127 Total 9 36,1
R^2 ajustado 0,98428
Ecuación multilineal y = 0,0095 x1 + 0,2266 x2 - 0,0275 x3 + 0,0734 x4 - 5,5575 Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción -5,557574771 1,148148519 -4,840466786 0,004713021 -8,508984498 -2,606165044 -8,508984498 -2,606165044
Variable X 1 0,009532596 0,010095468 0,944245017 0,388400761 -0,016418632 0,035483823 -0,016418632 0,035483823
Variable X 2 0,226641134 0,032665432 6,938256111 0,00095487 0,142671967 0,3106103 0,142671967 0,3106103
Variable X 3 -0,027515089 0,016675175 -1,650062929 0,159842797 -0,070379991 0,015349814 -0,070379991 0,015349814
Variable X 4 0,073401204 0,041293493 1,77754891 0,135622404 -0,0327471 0,179549507 -0,0327471 0,179549507
Ejercicio 4
X1 X2 Y

Horas en Impuestos reales

Horas de trabajo de
Computadora no pagados
Mes auditoría de campo (dos
(dos ceros descubiertos
ceros omitidos)
omitidos) (Millones de $)
Resumen
Enero 45 16 29
Febrero 42 14 24 Estadísticas de la regresión
Marzo 44 15 27 Coeficiente de correlación múltiple 0,853770004
Abril 45 13 25 Coeficiente de determinación R^2 0,72892322
Mayo 43 13 26 R^2 ajustado 0,651472712
Junio 46 14 28 Error típico 1,07063884
Julio 44 16 30 Observaciones 10
Agosto 45 16 28
Septiembre 44 15 28 ANÁLISIS DE VARIANZA
Octubre 43 15 27 Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 2 21,57612732 10,78806366 9,411471074 0,010371059
Residuos 7 8,023872679 1,146267526
Ecuación de estimación más precisa para los impuestos no pagados descubiertos por cada mes Total 9 29,6
y = 0,56 x1 + 1,09 x2 - 13,82
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción -13,81962865 13,3232999 -1,037252689 0,334114812 -45,32422669 17,6849694 -45,32422669 17,6849694
Variable X 1 0,563660477 0,303273881 1,858585632 0,105430154 -0,153468296 1,280789251 -0,153468296 1,280789251
Variable X 2 1,099469496 0,313139013 3,511122694 0,009844498 0,359013391 1,839925601 0,359013391 1,839925601
Ejercicio 5

Embarcaciones
Empleo (En Reparaciones o
Año en Resumen
miles) Conversiones
construcción
1 133,4 108 431 Estadísticas de la regresión
2 177,3 99 1335 Coeficiente de correlación múltiple 0,615398923
3 143 105 1419 Coeficiente de determinación R^2 0,378715834
4 142 111 1631 R^2 ajustado 0,068073751
5 130,3 100 852 Error típico 18,81144842
6 120,6 85 847 Observaciones 7
7 120,4 79 806
ANÁLISIS DE VARIANZA
Ecuación multilineal Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
y = 0,46 x1 + 0,02 x2 + 71,03 Regresión 2 862,8347768 431,4173884 1,219138857 0,385994015
El modelo muestra una relación cercana entre las variables usadas. Residuos 4 1415,482366 353,8705915
Por otro lado, los puntos débiles están en los coeficientes de Total 6 2278,317143
determinación y de correlación, ya que su exactitud es muy baja.
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción 71,0318466 63,77862873 1,113724895 0,327805562 -106,046015 248,1097082 -106,046015 248,1097082
Variable X 1 0,461991397 0,692335164 0,667294428 0,54110803 -1,46023918 2,384221974 -1,46023918 2,384221974
Variable X 2 0,020815324 0,019474121 1,068870993 0,345341117 -0,033253506 0,074884153 -0,033253506 0,074884153